Kajian Algoritma Peningkatan Kontras Citra Dengan Fast Hue Dan Range Preserving Histogram Equalization Specification
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Faktor pencahayaan yang kurang saat suatu citra diakuisisi membuat citra menjadi gelap. Untuk memperbaiki tingkat kecerahan kontras citra, beberapa metode telah dilakukan seperti Fast Hue and Range Preserving Histogram Equalization Specification yang meliputi Algoritma Naik and Murthy, algoritma Optimal Range-Preserving Enhancement, algoritma Multiplicative Color Enhancement dan algoritma Additive Color Enhancement. Pada tahap awal dilakukan proses perataan histogram (Histogram Equalization (HE)). Namun dari beberapa referensi belum dapat ditentukan algoritma yang lebih baik dalam proses peningkatan kontras tersebut. Skenario pengujian dilakukan dengan menurunkan nilai lightness dari suatu citra, memproses citra gelap dengan algoritma yang dibahas, dan mengukur perbedaan citra hasil algoritma dengan citra asli menggunakan Structural Similarity Index (SSIM). ??? Hasil pengujian menunjukkan bahwa ??? nilai SSIM tertinggi didapatkan dengan menggunakan algoritma Optimal Range-Preserving Enhancement dan algoritma Multiplicative Color Enhancement. Pada algoritma Optimal Range-Preserving Algorithm, nilai SSIM tertinggi diperoleh dengan menggunakan nilai Lamda (???») di atas 0.6.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle